Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading

Resumo Técnico: Rede Neural de Grafos para Predições de Tensão em Painéis Reforçados sob Carregamento Uniforme

Definição do Problema
A otimização estrutural de painéis reforçados — comuns em navios, pontes e aeronaves — depende fortemente da Análise de Elementos Finitos (FEA) para estimar tensões. No entanto, a FEA é computacionalmente dispendiosa, particularmente quando a complexidade do modelo aumenta, o refinamento da malha é necessário ou mudanças geométricas exigem a re-malha. Modelos de Ordem Reduzida (ROMs) tradicionais, como as Splines de Regressão Adaptativa Multivariada (MARS) ou Kriging, têm dificuldade com geometrias complexas e podem perder fidelidade quando as configurações estruturais mudam. Embora o Aprendizado Profundo (DL) ofereça uma alternativa promissora, arquiteturas padrão como Perceptrons Multicamadas (MLPs) e Redes Neurais Convolucionais (CNNs) são ineficientes para problemas estruturais que envolvem geometrias variáveis. Os MLPs exigem dimensões de entrada fixas e grandes conjuntos de dados, enquanto as CNNs têm dificuldade em representar unidades estruturais discretas (placas e reforços) e suas conexões sem mudanças dimensionais significativas ou necessidade de novo treinamento.

Metodologia
Os autores propõem uma abordagem de Rede Neural de Grafos (GNN), utilizando especificamente uma arquitetura de Amostragem e Agregação de Grafos (GraphSAGE), para servir como um ROM robusto para painéis reforçados 3D.

• Incorporação de Grafo Inovadora: A inovação central é uma representação de grafo "entidade-vértice estrutural". Diferente dos métodos convencionais que mapeiam cada elemento finito para um vértice (levando a grafos de tamanho massivo), esta abordagem trata cada unidade estrutural física (vãos da placa entre reforços, almas e flanges do reforço) como um único vértice.
  • Características do Vértice: Cada vértice codifica propriedades geométricas (largura, comprimento, espessura), condições de contorno e pressão aplicada.
  • Saída: A rede prediz a distribuição de tensão de von Mises através de um espaço de grade de $10 \times 20$ alocado para cada unidade estrutural.
  • Conectividade: A matriz de adjacência codifica a conectividade física entre as unidades, enquanto a matriz de adjacência não é refletida na incorporação de entrada do vértice.
• Arquitetura da Rede: O modelo emprega uma rede GraphSAGE de 32 camadas com 64 neurônios ocultos por camada, utilizando uma função de agregação 'sum' (soma) e ativação tanh. A normalização em lote (batch normalization) é aplicada após cada camada de convolução.
• Geração de Dados: Um conjunto de dados de 2.000 configurações de design geradas aleatoriamente foi criado usando MATLAB e ABAQUS. O estudo abrange variações na espessura da placa (10–20 mm), contagem de reforços (2–8), dimensões dos reforços e condições de contorno. O conjunto de dados foi dividido em 80/20 para treinamento e validação.

Principais Contribuições

1. Incorporação de Grafo Eficiente: O artigo introduz um método para representar painéis reforçados 3D como grafos com significativamente menos vértices do que as representações baseadas em elementos finitos. Isso reduz a complexidade computacional do treinamento de ser proporcional ao número de elementos da malha para ser proporcional ao número de unidades estruturais.
2. Lidando com a Variabilidade Geométrica: A estrutura de GNN proposta demonstra a capacidade de lidar com geometrias estruturais variáveis (por exemplo, diferentes números de reforços, posicionamento aleatório e dimensões variadas) sem exigir nova arquitetura ou novo treinamento, uma limitação de MLPs e CNNs.
3. Robustez Paramétrica: O estudo conduz uma análise paramétrica abrangente examinando os efeitos das condições de contorno (apoio simples vs. fixo) e da complexidade geométrica (distribuição de reforços aleatória e dimensões variadas) na precisão da predição.

Resultados

• Eficiência Computacional: Comparando a incorporação entidade-vértice proposta contra uma incorporação vértice-elemento finito convencional, o método proposto alcançou tempos de treinamento aproximadamente 27 vezes mais rápidos por época (0,255s vs. 6,94s). Além disso, o uso de memória da GPU caiu drasticamente de 23,4 GB para 0,5 GB para um tamanho de lote de 64, tornando a abordagem viável para hardware mais amplo.
• Precisão de Predição:
  • Condições de Contorno: O modelo capturou com precisão as distribuições de tensão para painéis com diferentes condições de contorno. Os erros de predição para regiões de alta tensão foram inferiores a 1%. O modelo exigiu aproximadamente 400 amostras de treinamento para estabilizar o desempenho.
  • Complexidade Geométrica: Mesmo com distribuições de reforços não uniformes e complexas e dimensões variadas, o modelo manteve alta consistência com a verdade de campo (ground truth) da FEA. O erro máximo de predição foi de aproximadamente 6,18% (ocorrendo nas bordas da placa), com uma precisão média de 96,7% para outros caminhos.
  • Requisitos de Dados: Para geometrias altamente complexas, o modelo exigiu um conjunto de dados maior (atingindo um platô em 1.200 amostras) comparado às variações de condições de contorno mais simples.

Significância e Alegações
O artigo afirma que a integração do GraphSAGE com a incorporação entidade-vértice estrutural proposta oferece um modelo de ordem reduzida viável, eficiente e preciso para estruturas 3D. Os autores enfatizam que esta abordagem:

• Supera os gargalos computacionais da FEA e a rigidez dos ROMs tradicionais.
• Introduz com sucesso a geometria estrutural como uma variável de entrada direta, fornecendo uma base para modelar estruturas mais complexas.
• Demonstra que as GNNs podem aprender efetivamente a resposta mecânica de sistemas estruturais discretos onde as conexões entre unidades são críticas.

Os autores reconhecem que, embora o estudo utilize dados gerados por FEA, obter dados do mundo real continua sendo um desafio comum para modelos baseados em dados, sugerindo isso como uma área para trabalhos futuros. Eles concluem que o método possui um potencial imenso para revolucionar a modelagem e análise estrutural ao equilibrar precisão com eficiência computacional.